گلبو
22.04.202514:10
جواب به سوالات مربوط به برنامه‌نویسی
07.04.202518:37
باد بگیر وقتی میری حمام فقط به حمام کردن فکر کن. وقتی رانندگی میکنی فقط به جاده فکر کن. وقتی داری غذا میپزی فقط به غذا فکر کن. وقتی داری درس میخونی فقط به درس فکر کن. وقتی با دوستت صحبت میکنی فقط به همون لحظه فکر کن.
یاد بگیر در «اکنون» زندگی کنی.
مثل گربه باش.
یاد بگیر در «اکنون» زندگی کنی.
مثل گربه باش.
07.04.202518:29
آخرش فهمیدم که در فکرکردن زیاد و عمیق شدن هم آنچنان فضیلتی نیست. اونی برنده‌ست که بتونه لحظات شاد بیشتری رو برای خودش بسازه.
فکرکردن زیاد لحظه‌ی اکنون رو از آدمیزاد میقاپه. فراموشت میشه که باید الان رو بسازی. گذشته ساخته شده. آینده هم میرسه به وقتش.
فکرکردن زیاد لحظه‌ی اکنون رو از آدمیزاد میقاپه. فراموشت میشه که باید الان رو بسازی. گذشته ساخته شده. آینده هم میرسه به وقتش.
25.03.202516:52
داستان زندگیِ یک کارمندِ دون‌پایه در اردوگاه کار اجباری رو میخوندم، که منشیِ یک شکنجه‌گر بود.
میگفت بچه‌هام گرسنه بودن و مجبور بودم که این کار رو قبول کنم، اوایلش سخت بود، ولی دیگه مشکل نان نداشتیم و به همین دلیل خودم رو قانع میکردم که کارم، اشتباه نیست و خدا من رو میبخشه.
ما به ظاهر در دنیای مدرن زندگی میکنیم، اما کافیه شرایط باب میلمون نباشه. کمتر کسی اونقدر به انسانیت باور داره که اجازه نده شرایطِ وحشی، خوی حیوانی‌ش رو بیدار کنه.
لازم نیست حتمن ابزار شکنجه دستش باشه، همین که دلسوزی و همدلی در اون کشته شده، نه گفتن براش عادی شده، کافیه که هیولای درونش بیدار بشه. یک sorry میگه و به کلاس یوگا میره و اون‌جا برنامه آخر هفته رو ست میکنه. درحالیکه با این نه زندگی یک فرد دیگه نابود میشه.
مثل منشیِ افسر نازی، در ریختن خون مردم سهیم نیست ولی بازوی سیستمی هست که به انسان‌ها به دید کالا نگاه میکنه.
میگفت بچه‌هام گرسنه بودن و مجبور بودم که این کار رو قبول کنم، اوایلش سخت بود، ولی دیگه مشکل نان نداشتیم و به همین دلیل خودم رو قانع میکردم که کارم، اشتباه نیست و خدا من رو میبخشه.
ما به ظاهر در دنیای مدرن زندگی میکنیم، اما کافیه شرایط باب میلمون نباشه. کمتر کسی اونقدر به انسانیت باور داره که اجازه نده شرایطِ وحشی، خوی حیوانی‌ش رو بیدار کنه.
لازم نیست حتمن ابزار شکنجه دستش باشه، همین که دلسوزی و همدلی در اون کشته شده، نه گفتن براش عادی شده، کافیه که هیولای درونش بیدار بشه. یک sorry میگه و به کلاس یوگا میره و اون‌جا برنامه آخر هفته رو ست میکنه. درحالیکه با این نه زندگی یک فرد دیگه نابود میشه.
مثل منشیِ افسر نازی، در ریختن خون مردم سهیم نیست ولی بازوی سیستمی هست که به انسان‌ها به دید کالا نگاه میکنه.
24.03.202518:26
امیدوارم توضیحاتم کامل باشه.
بچه‌ها، من درمورد بقیه‌ی رشته‌ها اطلاعات کافی ندارم، عمده‌ترین دلیلی که هرگز به خودم اجازه ندادم تا پام رسید اینجا بلاگر حوزه مهاجرت بشم همینه، چون اصلن تایپم نیست درمورد این چیزها نظر بدم و فاز مشاور بگیرم، دقتم کنید از سوالات اینجوری طفره میرم.
پس خواهش میکنم هیچ پیامی در این راستا بهم ندین، پیام‌هایی با شروع «میدونم گفتی نپرسیم ولی میخوام ببینم تو دور و بریات پرستار دیدی؟»، «میدونم خوشت نمیاد ولی…» هم نپرسید.
من نه مرکز مشاوره راه انداختم، نه ذهنم گنجایش داره، نه مسئولیت قبول میکنم، و نه بلدم.
گروه‌های مهاجرتی هست که هزاران بار هزاران جا دیدین، در همین گلبو از روز اول معرفی کردیم. مهم‌ترین پرگاره، به صورت رایگان سوالا رو میپرسی بدون منت یکی که دلش خواست، وقتش رو داشت، جواب میده.
تنها پیشنهادی که میکنم اینه، نترسین، پول واسه مشاوره ندین، منت کسی رو نکشین و خودتون شروع کنین از منابع رایگان تحقیق کردن.
اگه میخواید مهاجرت کنید، باید ماهی‌گیری رو یاد بگیرید.
بچه‌ها، من درمورد بقیه‌ی رشته‌ها اطلاعات کافی ندارم، عمده‌ترین دلیلی که هرگز به خودم اجازه ندادم تا پام رسید اینجا بلاگر حوزه مهاجرت بشم همینه، چون اصلن تایپم نیست درمورد این چیزها نظر بدم و فاز مشاور بگیرم، دقتم کنید از سوالات اینجوری طفره میرم.
پس خواهش میکنم هیچ پیامی در این راستا بهم ندین، پیام‌هایی با شروع «میدونم گفتی نپرسیم ولی میخوام ببینم تو دور و بریات پرستار دیدی؟»، «میدونم خوشت نمیاد ولی…» هم نپرسید.
من نه مرکز مشاوره راه انداختم، نه ذهنم گنجایش داره، نه مسئولیت قبول میکنم، و نه بلدم.
گروه‌های مهاجرتی هست که هزاران بار هزاران جا دیدین، در همین گلبو از روز اول معرفی کردیم. مهم‌ترین پرگاره، به صورت رایگان سوالا رو میپرسی بدون منت یکی که دلش خواست، وقتش رو داشت، جواب میده.
تنها پیشنهادی که میکنم اینه، نترسین، پول واسه مشاوره ندین، منت کسی رو نکشین و خودتون شروع کنین از منابع رایگان تحقیق کردن.
اگه میخواید مهاجرت کنید، باید ماهی‌گیری رو یاد بگیرید.
24.03.202516:10
تا اینجا اومدیم یکم درمورد مدل‌های زبانی یا Large Language Modelsدر سیستم‌های پیشنهاددهنده توضیج بدم.
در نسل جدید Recommender Systems، مدل‌های زبانی نقش مهمی پیدا کردن. چرا؟ چون درک عمیق‌تری از متن و مفهوم دارن. سه مدل کلیدی که اینجا نقش دارن:
1. Word2Vec
مدلی ساده اما مؤثر برای تبدیل کلمات به بردارهای عددی.
ایده: اگر دو کلمه توی جملات مشابهی بیان، احتمالن معنای نزدیک دارن.
مثلن «ملوان» و «دریا» یا «دکتر» و «بیمار».
استفاده‌ش تو سیستم پیشنهاددهنده؟ تشخیص شباهت مفهومی بین آیتم‌ها یا بین کاربران و آیتم‌ها.
2. BERT
یک مدل قدرتمند مبتنی بر Transformer که جمله رو با تمام کانتکستش درک میکنه.
مثلاً تفاوت "bank" در جمله‌های زیر:
- I went to the bank to deposit money.
- The picnic was near the river bank.
میتونه کمک کنه متن‌های توصیفی (نقد، توضیح محصول، خلاصه فیلم...) به دقت فهمیده بشن و پیشنهادها دقیق‌تر بشن.
3. GPT
مدلیه که نه فقط درک متن، بلکه تولید متن هم بلده.
مثلن:
میتونه به کاربر جواب بده، سوال‌هاشو بفهمه، و حتی پیشنهادهای شخصی‌سازی شده‌ی هوشمند تولید کنه.
GPT تو ترکیب با Recommender Systems باعث میشه سیستم یه جورایی با کاربر مکالمه کنه، نه صرفن پیشنهاد بده.
البته ضعف خودشون رو هم دارن که در این پست اشاره نمیکنم.
🏗️ Two-Tower Model
یکی از روش‌های رایج در Recommender Systems مدرن، به‌ویژه در مقیاس بالا(مثل یوتیوب، فیسبوک، اسپاتیفای).
ایده ساده‌ست ولی پیاده‌سازی پرچالشه:
- برج اول (Tower 1): ویژگی‌های کاربر رو مدل‌سازی میکنه
- برج دوم (Tower 2): ویژگی‌های آیتم‌ها (مثل فیلم، آهنگ، محصول...) رو مدل میکنه
در انتها، سیستم بردار کاربر و بردار آیتم رو مقایسه میکنه تا ببینه چقدر "match" هستن.
این مدل، هم مقیاس‌پذیره، هم میتونه از embeddingهای زبانی (مثل Word2Vec، BERT و غیره) برای بهتر شدن استفاده کنه.
پیاده سازی هرکدوم از این مدل ها حتی از ریسورس چالشی و اشک در بیاره.
🧪 پروژه‌ی من
من روی یه سیستم پیشنهاددهنده‌ی ترکیبی کار میکنم:
- استفاده از Matrix Factorization و تکنیک SVD
- با هدف بهینه‌سازی دقت توصیه‌ها
- دیتاست فعلی: نسخه‌ی قدیمی IMDB
- آینده: اسپاتیفای و یک کتاب‌فروشی آنلاین
نکته:
ورژن جدید IMDB توسط آمازون با قیمت حدود ۱۵۰ هزار دلار در سال فروخته میشه، و این نشون‌دهنده‌ی ارزش بالای داده تو این حوزه‌ست.
یادتونه پارسال که اطلاعات اسنپفود لیک شد بهتون گفتم این اطلاعات دست متخصصش بیفته خیلی ارزشمنده؟
پروژه‌م از مرحله‌ی Data Engineering شروع میشه، تا مرحله‌ی مدل‌سازی و تست نهایی.
در این پروژه با SQL و Python کد میزنم و از سرورهایی که استادم در اختیارم قرار میده استفاده میکنم.
- دانشجوی دکترای مستقیم هستم.
- دو سال اول روی تحلیل داده و Data Provenance کار میکردم و کورس ورک رو همون دوسال اول تموم کردم و دیگه درس ندارم، و تو همین زمینه مقاله و دفاع مستر داشتم.
- بعد تغییر مسیر دادم به سمت Deep Learning و Recommender Systems
- از ژانویه ۲۰۲۴ توی گروه جدیدم هستم، با استادی که خیلی دلسوزه ولی سخت‌گیر.
فعلن در فاز جمع‌آوری اطلاعات و ارائه‌های داخلی و طراحی الگوریتم هستم، و اولین سمینارم رو هم برگزار کردم.
در نسل جدید Recommender Systems، مدل‌های زبانی نقش مهمی پیدا کردن. چرا؟ چون درک عمیق‌تری از متن و مفهوم دارن. سه مدل کلیدی که اینجا نقش دارن:
1. Word2Vec
مدلی ساده اما مؤثر برای تبدیل کلمات به بردارهای عددی.
ایده: اگر دو کلمه توی جملات مشابهی بیان، احتمالن معنای نزدیک دارن.
مثلن «ملوان» و «دریا» یا «دکتر» و «بیمار».
استفاده‌ش تو سیستم پیشنهاددهنده؟ تشخیص شباهت مفهومی بین آیتم‌ها یا بین کاربران و آیتم‌ها.
2. BERT
یک مدل قدرتمند مبتنی بر Transformer که جمله رو با تمام کانتکستش درک میکنه.
مثلاً تفاوت "bank" در جمله‌های زیر:
- I went to the bank to deposit money.
- The picnic was near the river bank.
میتونه کمک کنه متن‌های توصیفی (نقد، توضیح محصول، خلاصه فیلم...) به دقت فهمیده بشن و پیشنهادها دقیق‌تر بشن.
3. GPT
مدلیه که نه فقط درک متن، بلکه تولید متن هم بلده.
مثلن:
میتونه به کاربر جواب بده، سوال‌هاشو بفهمه، و حتی پیشنهادهای شخصی‌سازی شده‌ی هوشمند تولید کنه.
GPT تو ترکیب با Recommender Systems باعث میشه سیستم یه جورایی با کاربر مکالمه کنه، نه صرفن پیشنهاد بده.
البته ضعف خودشون رو هم دارن که در این پست اشاره نمیکنم.
🏗️ Two-Tower Model
یکی از روش‌های رایج در Recommender Systems مدرن، به‌ویژه در مقیاس بالا(مثل یوتیوب، فیسبوک، اسپاتیفای).
ایده ساده‌ست ولی پیاده‌سازی پرچالشه:
- برج اول (Tower 1): ویژگی‌های کاربر رو مدل‌سازی میکنه
- برج دوم (Tower 2): ویژگی‌های آیتم‌ها (مثل فیلم، آهنگ، محصول...) رو مدل میکنه
در انتها، سیستم بردار کاربر و بردار آیتم رو مقایسه میکنه تا ببینه چقدر "match" هستن.
این مدل، هم مقیاس‌پذیره، هم میتونه از embeddingهای زبانی (مثل Word2Vec، BERT و غیره) برای بهتر شدن استفاده کنه.
پیاده سازی هرکدوم از این مدل ها حتی از ریسورس چالشی و اشک در بیاره.
🧪 پروژه‌ی من
من روی یه سیستم پیشنهاددهنده‌ی ترکیبی کار میکنم:
- استفاده از Matrix Factorization و تکنیک SVD
- با هدف بهینه‌سازی دقت توصیه‌ها
- دیتاست فعلی: نسخه‌ی قدیمی IMDB
- آینده: اسپاتیفای و یک کتاب‌فروشی آنلاین
نکته:
ورژن جدید IMDB توسط آمازون با قیمت حدود ۱۵۰ هزار دلار در سال فروخته میشه، و این نشون‌دهنده‌ی ارزش بالای داده تو این حوزه‌ست.
یادتونه پارسال که اطلاعات اسنپفود لیک شد بهتون گفتم این اطلاعات دست متخصصش بیفته خیلی ارزشمنده؟
پروژه‌م از مرحله‌ی Data Engineering شروع میشه، تا مرحله‌ی مدل‌سازی و تست نهایی.
در این پروژه با SQL و Python کد میزنم و از سرورهایی که استادم در اختیارم قرار میده استفاده میکنم.
- دانشجوی دکترای مستقیم هستم.
- دو سال اول روی تحلیل داده و Data Provenance کار میکردم و کورس ورک رو همون دوسال اول تموم کردم و دیگه درس ندارم، و تو همین زمینه مقاله و دفاع مستر داشتم.
- بعد تغییر مسیر دادم به سمت Deep Learning و Recommender Systems
- از ژانویه ۲۰۲۴ توی گروه جدیدم هستم، با استادی که خیلی دلسوزه ولی سخت‌گیر.
فعلن در فاز جمع‌آوری اطلاعات و ارائه‌های داخلی و طراحی الگوریتم هستم، و اولین سمینارم رو هم برگزار کردم.
07.04.202519:10
درمورد وسواس هم نظرش همین بود. گفت همه آدم‌ها رگه‌هایی از وسواس دارن.
07.04.202518:36
میگفتن فلانی خیلی متفکره. میشینه فکر میکنه عمیق میشه.
چیه الان؟ دستاورده؟ بگیریم این overthink رو قاب کنیم بزنیم به دیوار؟
چیه الان؟ دستاورده؟ بگیریم این overthink رو قاب کنیم بزنیم به دیوار؟
07.04.202515:34
از لحظات کمیاب :)
24.03.202518:54
یادم رفت بگم
خودتم با کسی مقایسه نکن.
خودتم با کسی مقایسه نکن.
24.03.202517:40
سوال: آیا دکترا خوندن رو پیشنهاد میکنی؟
جواب: دکترا خوندن تصمیم تک‌بعدی و راحتی نیست، عوامل بسیار زیادی دخیل هستن که باعث میشن یک نفر دکترا بخونه یا یکی وسط دکترا دراپ کنه.
مهم‌ترین عامل برای من، مهاجرت بود، با لیسانس پذیرش مستر نمیتونستم بگیرم، اصلن امتحان نکردم، نمیخواستم هم دوسال در ایران بمونم و مستر بخونم، برای همین زدم دکترا، ممکنه این شرایط برای تویی که داری میخونی، فرق کنه.
دکترا به خودی خود مسیر سختیه، به خصوص اینکه به زبان دوم و در کشور دیگه باشه، استاد، فاند قطع شدن وسط کار و عوامل دیگه هم بماند.
دکترا مستقیم هم مسیر سختیه، چرا که تو به وضوح با کسایی که مستر دارن فرق میکنی و مجبوری دوبرابر تلاش کنی، به خصوص وقتی گیر استاد بد میفتی.
باید ببینی چه ارزش‌هایی در زندگی‌ت هستن، چه اجبارهایی در زندگی‌ت هستن، کسایی رو میشناسم دکترا مستقیم بودن و وسط کار خواسته یا ناخواسته دراپ کردن و الان انسان‌های بسیار موفق و پولداری شدن و از این تصمیم خیلی راضی‌ان،
کسایی رو هم میشناسم وسط دکترا مستر رو دفاع کردن و رفتن سرکار و الان پشیمونن.
این تصمیمات به رشته‌ای که میخونید هم بستگی داره، مثلن دانشجوی دکترای جامع‌شناسی و مهاجر، احتمال اینکه با دکترا موفق‌تر بشه خیلی بیشتر از فوق‌لیسانسه.
درمورد حقوق، به طور کلی حقوق کسی که دکترای کامپیوتر داره با کسی که مستر داره در درصد بالایی از مشاغل، یکسانه، یا درنهایت بعد از چندسال، یکسان میشه.
اما، یک دسته از شغل ریسرچ‌بیس یا applied scientist هستن، که این‌ها از شروع حقوقشون زیاده، این‌ها تاکید دارن که ما فقط فارغ‌التحصیل دکترا و بالاتر میخوایم، کجا؟ همین تتفلیکس، مایکروسافت، شرکت‌هایی که اندازه‌ی یک دانشگاه روی تحقیقاتشون سرمایه‌گذاری میکنن.
در این پوزیشن‌هایی که معمولی نیستن، میشه فرق حقوق و درآمد و جایگاه بین یک شخصی که مستره و یک شخصی که دکتره رو دید.
جواب: دکترا خوندن تصمیم تک‌بعدی و راحتی نیست، عوامل بسیار زیادی دخیل هستن که باعث میشن یک نفر دکترا بخونه یا یکی وسط دکترا دراپ کنه.
مهم‌ترین عامل برای من، مهاجرت بود، با لیسانس پذیرش مستر نمیتونستم بگیرم، اصلن امتحان نکردم، نمیخواستم هم دوسال در ایران بمونم و مستر بخونم، برای همین زدم دکترا، ممکنه این شرایط برای تویی که داری میخونی، فرق کنه.
دکترا به خودی خود مسیر سختیه، به خصوص اینکه به زبان دوم و در کشور دیگه باشه، استاد، فاند قطع شدن وسط کار و عوامل دیگه هم بماند.
دکترا مستقیم هم مسیر سختیه، چرا که تو به وضوح با کسایی که مستر دارن فرق میکنی و مجبوری دوبرابر تلاش کنی، به خصوص وقتی گیر استاد بد میفتی.
باید ببینی چه ارزش‌هایی در زندگی‌ت هستن، چه اجبارهایی در زندگی‌ت هستن، کسایی رو میشناسم دکترا مستقیم بودن و وسط کار خواسته یا ناخواسته دراپ کردن و الان انسان‌های بسیار موفق و پولداری شدن و از این تصمیم خیلی راضی‌ان،
کسایی رو هم میشناسم وسط دکترا مستر رو دفاع کردن و رفتن سرکار و الان پشیمونن.
این تصمیمات به رشته‌ای که میخونید هم بستگی داره، مثلن دانشجوی دکترای جامع‌شناسی و مهاجر، احتمال اینکه با دکترا موفق‌تر بشه خیلی بیشتر از فوق‌لیسانسه.
درمورد حقوق، به طور کلی حقوق کسی که دکترای کامپیوتر داره با کسی که مستر داره در درصد بالایی از مشاغل، یکسانه، یا درنهایت بعد از چندسال، یکسان میشه.
اما، یک دسته از شغل ریسرچ‌بیس یا applied scientist هستن، که این‌ها از شروع حقوقشون زیاده، این‌ها تاکید دارن که ما فقط فارغ‌التحصیل دکترا و بالاتر میخوایم، کجا؟ همین تتفلیکس، مایکروسافت، شرکت‌هایی که اندازه‌ی یک دانشگاه روی تحقیقاتشون سرمایه‌گذاری میکنن.
در این پوزیشن‌هایی که معمولی نیستن، میشه فرق حقوق و درآمد و جایگاه بین یک شخصی که مستره و یک شخصی که دکتره رو دید.
24.03.202515:53
سیستم پیشنهاددهنده چیه؟
ساده‌ترین تعریفش اینه: وقتی یوتیوب رو باز میکنی و چندتا ویدیو بهت پیشنهاد میده، اون پشت یه سیستم هوشمند داره کار میکنه، که به لفظ عامیانه بهش مردم میگن هوش مصنوعی. یک سیستم هوشمند، داره بر پایه‌ی سلیقه‌ی شما، بهتون یک پیشنهادی رو میده. این سیستم‌ها بر پایه‌ی الگوریتم‌هایی ساخته شدن که گاهی یک اشتباه کوچیکش، میتونه به ضرری در حد میلیون دلار برای شرکت ختم بشه.
نمونه‌هاش توی نتفلیکس، متا، اپل‌تی‌وی، اسپاتیفای یا سایت‌های فروش مثل آمازون یا دیجی‌کالا کاملن در دسترسه. همه‌شون دنبال اینن که به کاربر، چیزی پیشنهاد بدن که احتمالان خوشش بیاد یا نیازشه، قبل از اینکه خود کاربر اون رو سرچ کنه.
یا اگه یه چیزی رو سرچ کرد، بهترین و مناسبت‌ترین ریزالت رو بده.
الگوریتم‌ها چطور کار میکنن؟
الگوریتم‌های پیشنهاددهنده به‌صورت بسیار کلی دو(یا براساس برخی منابع سه) دسته هستن:
1. Collaborative Filtering:
ایده‌ی اصلی اینه که اگر دو کاربر رفتار مشابهی داشتن، پس شاید علاقه‌مندی‌هاشونم شبیه باشه.
مثال:
- سارا عاشق فیلم‌های نولانه
- صبا هم فیلم‌های نولان و کوبریک رو میبینه
- سوگند هم نولان و فینچر رو دنبال میکنه
حالا سیستم به سارا که فیلمی از فینچر ندیده، اون رو پیشنهاد میده. چون سارا و سوگند رفتار مشابهی داشتن.
این مثال خیلی ساده بود، در واقعیت در دنیای شبکه‌ی عصبی، میلیون‌ها node و edge داریم.
به عبارتی این رفتار با استفاده از ماتریس بزرگی از کاربران و آیتم‌ها (مثلن فیلم‌ها) مدل میشه. و برای پیش‌بینی علاقه‌مندی از الگوریتم‌هایی مثل Matrix Factorization یا Neural Collaborative Filtering استفاده میکنن.
2. Content-Based Filtering:
تمرکز این الگوریتم‌ها روی ویژگی‌های خود محتواست. مثلن اگر یه فیلم علمی‌تخیلی دوس داشتی، فیلم‌هایی با همون ژانر یا بازیگر رو برات پیشنهاد میده.
در اینجا معمولن از مدل‌هایی مثل TF-IDF، Word2Vec، BERT یا مدل‌های embedding برای نمایش ویژگی‌های محتوا استفاده میشه.
دسته سوم:
3.Hybrid:
که ترکیبیه.
تو سیستم‌های بزرگ مثل Netflix و Amazon، معمولن از همین مدل‌های هیبریدی استفاده میشه(با اضافه کردن چندین فیچر دیگه) چون دقیق‌ترن و بهتر با داده‌های مختلف کار میکنن.
چرا این recommender systems انقدر در دنیای امروز مهمه؟
یک مثال دیگه بزنم.
فرض کن کاربر سرچ کرده «قهوه چینی» و براش یه محصول خاص یا برند خاص رو میاره بالا و اون ترغیب میشه این محصول رو بخره. نکته؟ چین اصلن قهوه نداره! اما آمازون یک ریزالتی به کاربر نشون میده.
این یه حرکت ساده‌ست، ولی پشتش کلی سیستم هوشمند خوابیده.
یکی از الگوریتم‌هایی که آمازون اخیرن توسعه داده، و بر فاکتور لوکیشن بر هر محصول رو اضافه کرده، به‌طور میانگین تونسته به ازای هر محصول در ابعاد سنت سود اضافه بیاره. اما در مقیاس جهانی، یعنی میلیون‌ها دلار سود.
ساده‌ترین تعریفش اینه: وقتی یوتیوب رو باز میکنی و چندتا ویدیو بهت پیشنهاد میده، اون پشت یه سیستم هوشمند داره کار میکنه، که به لفظ عامیانه بهش مردم میگن هوش مصنوعی. یک سیستم هوشمند، داره بر پایه‌ی سلیقه‌ی شما، بهتون یک پیشنهادی رو میده. این سیستم‌ها بر پایه‌ی الگوریتم‌هایی ساخته شدن که گاهی یک اشتباه کوچیکش، میتونه به ضرری در حد میلیون دلار برای شرکت ختم بشه.
نمونه‌هاش توی نتفلیکس، متا، اپل‌تی‌وی، اسپاتیفای یا سایت‌های فروش مثل آمازون یا دیجی‌کالا کاملن در دسترسه. همه‌شون دنبال اینن که به کاربر، چیزی پیشنهاد بدن که احتمالان خوشش بیاد یا نیازشه، قبل از اینکه خود کاربر اون رو سرچ کنه.
یا اگه یه چیزی رو سرچ کرد، بهترین و مناسبت‌ترین ریزالت رو بده.
الگوریتم‌ها چطور کار میکنن؟
الگوریتم‌های پیشنهاددهنده به‌صورت بسیار کلی دو(یا براساس برخی منابع سه) دسته هستن:
1. Collaborative Filtering:
ایده‌ی اصلی اینه که اگر دو کاربر رفتار مشابهی داشتن، پس شاید علاقه‌مندی‌هاشونم شبیه باشه.
مثال:
- سارا عاشق فیلم‌های نولانه
- صبا هم فیلم‌های نولان و کوبریک رو میبینه
- سوگند هم نولان و فینچر رو دنبال میکنه
حالا سیستم به سارا که فیلمی از فینچر ندیده، اون رو پیشنهاد میده. چون سارا و سوگند رفتار مشابهی داشتن.
این مثال خیلی ساده بود، در واقعیت در دنیای شبکه‌ی عصبی، میلیون‌ها node و edge داریم.
به عبارتی این رفتار با استفاده از ماتریس بزرگی از کاربران و آیتم‌ها (مثلن فیلم‌ها) مدل میشه. و برای پیش‌بینی علاقه‌مندی از الگوریتم‌هایی مثل Matrix Factorization یا Neural Collaborative Filtering استفاده میکنن.
2. Content-Based Filtering:
تمرکز این الگوریتم‌ها روی ویژگی‌های خود محتواست. مثلن اگر یه فیلم علمی‌تخیلی دوس داشتی، فیلم‌هایی با همون ژانر یا بازیگر رو برات پیشنهاد میده.
در اینجا معمولن از مدل‌هایی مثل TF-IDF، Word2Vec، BERT یا مدل‌های embedding برای نمایش ویژگی‌های محتوا استفاده میشه.
دسته سوم:
3.Hybrid:
که ترکیبیه.
تو سیستم‌های بزرگ مثل Netflix و Amazon، معمولن از همین مدل‌های هیبریدی استفاده میشه(با اضافه کردن چندین فیچر دیگه) چون دقیق‌ترن و بهتر با داده‌های مختلف کار میکنن.
چرا این recommender systems انقدر در دنیای امروز مهمه؟
یک مثال دیگه بزنم.
فرض کن کاربر سرچ کرده «قهوه چینی» و براش یه محصول خاص یا برند خاص رو میاره بالا و اون ترغیب میشه این محصول رو بخره. نکته؟ چین اصلن قهوه نداره! اما آمازون یک ریزالتی به کاربر نشون میده.
این یه حرکت ساده‌ست، ولی پشتش کلی سیستم هوشمند خوابیده.
یکی از الگوریتم‌هایی که آمازون اخیرن توسعه داده، و بر فاکتور لوکیشن بر هر محصول رو اضافه کرده، به‌طور میانگین تونسته به ازای هر محصول در ابعاد سنت سود اضافه بیاره. اما در مقیاس جهانی، یعنی میلیون‌ها دلار سود.
07.04.202519:09
گفتم نظرت درمورد کمالگرایی چیه؟ گفت همه ما کمالگراییم خود تو کمالگرایی نبودی الان اینجا نبودی. برا چی میخوای مبارزه کنی بگی نه من کمالگرا نیستم. هستی. مفید هم بوده برات!
در کل آدم در پذیرشیه.
در کل آدم در پذیرشیه.
07.04.202518:33
نه چون بهش فکر نمیکنم.
نه چون بهش فکر نمیکنم.
نه چون بهش فکر نمیکنم.
نه چون بهش فکر نمیکنم.
نه چون بهش فکر نمیکنم.
نه چون بهش فکر نمیکنم.
نه چون بهش فکر نمیکنم.
نه چون بهش فکر نمیکنم.
نه چون بهش فکر نمیکنم.
06.04.202517:31
دوست‌پسر دوستم یه گربه داشته کپی لاکی. ۱۳ سالش میشه و چندوقت پیش میمیره.
هربار لاکی رو میبینه میگه منو یاد گربه‌م(Toast) میندازه.
دیشب از لاکی عکس گرفته واسه دوستاش که بگه این گربه من نیست باورتون میشه؟
لاکی محبوب ایرانی و غیرایرانی
محبوب دل‌ها
هربار لاکی رو میبینه میگه منو یاد گربه‌م(Toast) میندازه.
دیشب از لاکی عکس گرفته واسه دوستاش که بگه این گربه من نیست باورتون میشه؟
لاکی محبوب ایرانی و غیرایرانی
محبوب دل‌ها
24.03.202518:41
سوال: به طور میانگین چقدر باید در دوران دکترا کار کنی؟ میشه به سفر و تفریح رسیدگی کرد؟
جواب: خیلی بستگی به رشته، استاد، شهری که درس میخونی، لایف‌استایل و دوستات داره.
ممکنه رشته‌ای که میخونی اکسپریمنتال باشه و روی سمپل آزمایشگاهی کار کنی، اینجا زمان مطرحه، ممکنه یک خطای کوچیک بکنی سمپل‌ت خراب بشه، مثلن یک بافته که فاسد بشه.
اینجا شاید مجبور بشی شنبه و یکشنبه هم تا دیروقت بری سرکار!
ممکنه رشته‌ت بیشتر زیرشاخه‌های انسانی باشه، که مشکلات خودش رو داره، باید بیشتر در اجتماع باشی، صحبت کنی، مهاجر هم کمتر داره و از این نظر، ممکنه سخت باشه.
مهندسی هم که یک طیف وسیعه، بستگی داره چی بخونی. ممکنه برق باشی و ریسرچت لازم باشه بالای دستگاه وایسی و ریزالت رو بگیری.
ممکنه رباتیک باشی که داخل لب ربات تست میکنه.
ممکنم هست کامپیوتر باشی که ریموت به سرور وصل باشی و کد بزنی.
جدای این‌ها، ممکنه استاد سخت‌گیر یا سواستفاده‌گری داشته باشی که مجبورت کنه ساعت بزنی، مجبورت کنه شنبه و یکشنبه جلسه بری، و تو چاره‌ای برات نمونه.
هزاران عامل هست که باعث میشه تو از ساعتی که قانونی باید کار کنی، بیشتر/کمتر کار کنی.
بهترین کار اینه سعی کنیم تعادل رو حفظ کنیم.
جواب: خیلی بستگی به رشته، استاد، شهری که درس میخونی، لایف‌استایل و دوستات داره.
ممکنه رشته‌ای که میخونی اکسپریمنتال باشه و روی سمپل آزمایشگاهی کار کنی، اینجا زمان مطرحه، ممکنه یک خطای کوچیک بکنی سمپل‌ت خراب بشه، مثلن یک بافته که فاسد بشه.
اینجا شاید مجبور بشی شنبه و یکشنبه هم تا دیروقت بری سرکار!
ممکنه رشته‌ت بیشتر زیرشاخه‌های انسانی باشه، که مشکلات خودش رو داره، باید بیشتر در اجتماع باشی، صحبت کنی، مهاجر هم کمتر داره و از این نظر، ممکنه سخت باشه.
مهندسی هم که یک طیف وسیعه، بستگی داره چی بخونی. ممکنه برق باشی و ریسرچت لازم باشه بالای دستگاه وایسی و ریزالت رو بگیری.
ممکنه رباتیک باشی که داخل لب ربات تست میکنه.
ممکنم هست کامپیوتر باشی که ریموت به سرور وصل باشی و کد بزنی.
جدای این‌ها، ممکنه استاد سخت‌گیر یا سواستفاده‌گری داشته باشی که مجبورت کنه ساعت بزنی، مجبورت کنه شنبه و یکشنبه جلسه بری، و تو چاره‌ای برات نمونه.
هزاران عامل هست که باعث میشه تو از ساعتی که قانونی باید کار کنی، بیشتر/کمتر کار کنی.
بهترین کار اینه سعی کنیم تعادل رو حفظ کنیم.
24.03.202516:32
از سپتامبر شروع کردم به اپلای و دقیق بگم ۱۲ تا اینترویو گرفتم که تابستون برم یک جای دیگه سرکار، آماده بودم حتی شهرم رو به صورت موقت دوباره عوض کنم. اما نشد.
نه چون پوزیشن فعلی‌م رو در شرکت دوست ندارم، بلکه چون استادم فاند نمیده و مشکلی با رفتن من به سرکار و حتی دورکاری نداره، و چون مسیر من در نهایت به صنعت میرسه و به استاد شدن علاقه ندارم(مگر اینکه مجبور بشم)، برای همین میخوام تجربه بیشتر کسب کنم.
تا مرحله دو و سه برخی از شرکت‌ها از جمله مایکروسافت، اوبر، ویزا، متا و چندین شرکت دیگه پیش رفتم ولی همه رو ریجکت شدم.
و ریجکتی در مراحل بالاتر به مراتب دردش بیشتره :) وضعیت جاب‌مارکت درحال حاضر بسیار بده، علاوه‌بر این تعداد تعدیل نیرو(لی آف) بسیار بالاست و فرصتی برای کسایی مثل من نمیمونه.
امیدوارم که همه چیز بهتر بشه.
اگه درحال اپلای هستین و به این فیلد علاقه‌دارید، باید دنبال اساتیدی که مشخصن نوشتن NLP/LLM یا DL/ML هستن بگردین.
نه چون پوزیشن فعلی‌م رو در شرکت دوست ندارم، بلکه چون استادم فاند نمیده و مشکلی با رفتن من به سرکار و حتی دورکاری نداره، و چون مسیر من در نهایت به صنعت میرسه و به استاد شدن علاقه ندارم(مگر اینکه مجبور بشم)، برای همین میخوام تجربه بیشتر کسب کنم.
تا مرحله دو و سه برخی از شرکت‌ها از جمله مایکروسافت، اوبر، ویزا، متا و چندین شرکت دیگه پیش رفتم ولی همه رو ریجکت شدم.
و ریجکتی در مراحل بالاتر به مراتب دردش بیشتره :) وضعیت جاب‌مارکت درحال حاضر بسیار بده، علاوه‌بر این تعداد تعدیل نیرو(لی آف) بسیار بالاست و فرصتی برای کسایی مثل من نمیمونه.
امیدوارم که همه چیز بهتر بشه.
اگه درحال اپلای هستین و به این فیلد علاقه‌دارید، باید دنبال اساتیدی که مشخصن نوشتن NLP/LLM یا DL/ML هستن بگردین.
24.03.202515:48
موضوع ریسرچ من که احتمالن بخشی‌ش به پایان‌نامه تبدیل بشه، کار کردن روی سیستم‌های پیشنهاد دهنده هست.
که در پست بعدی که خیلی وقته درفتش رو نوشتم میخوام درموردش کمی، صحبت کنم.
برای من فارسی نوشتن بسیار سخته، ولی به احترام کسایی که تخصصش رو ندارن، فارسی نوشتم. ضمن اینگه تاکید میکنم برای آشنا شدن با این مطالب فقط و تنها فقط از منابع انگلیسی زبان استفاده کنید.
که در پست بعدی که خیلی وقته درفتش رو نوشتم میخوام درموردش کمی، صحبت کنم.
برای من فارسی نوشتن بسیار سخته، ولی به احترام کسایی که تخصصش رو ندارن، فارسی نوشتم. ضمن اینگه تاکید میکنم برای آشنا شدن با این مطالب فقط و تنها فقط از منابع انگلیسی زبان استفاده کنید.
07.04.202519:07
شاید از خودتون بپرسید اینکه یه متخصص مغزواعصاب اینو بگه چرا باید تاثیرگذارتر از بقیه باشه؟
جواب من اینه که کسی که تا ته این ماجرای مغز و اعصاب رو در آورده و فهمیده ما آدم‌ها به هیچی بند نیستیم با یه سکته با یه حمله‌ی قلبی میتونیم از اصل خودمون فرسنگ‌ها فاصله بگیریم و این بیماران رو هرروز دیده و هرروز سروکله زده و با سلول به سلول خودش فهمیده عه تهش هیچی نیست خیلی دیدگاهش مستندتر از کسیه که اطلاعاتی نداره.
به خصوص اینکه این دوست جدیدم آدم به شدت شاد و شنگولیه. میگه هفته‌ای یه لکچر تو دانشگاه سینسیناتی دارم. ولی خوشحاله. اخمالو نیست. مهربونه. زندگی رو در نوع خودش به دیدی ساده میگیره. شب راحت میخوابه. میگفت چون نمیتونم امریکا دووم بیارم قراره بعد از اتمام ریسرچم برگردم ایران.
دو دستی نچسبیده که من باید تحت هر شرایطی با روان خودم بازی کنم که بمونم.
البته ایران شرایط خیلی خوبی داره.
جواب من اینه که کسی که تا ته این ماجرای مغز و اعصاب رو در آورده و فهمیده ما آدم‌ها به هیچی بند نیستیم با یه سکته با یه حمله‌ی قلبی میتونیم از اصل خودمون فرسنگ‌ها فاصله بگیریم و این بیماران رو هرروز دیده و هرروز سروکله زده و با سلول به سلول خودش فهمیده عه تهش هیچی نیست خیلی دیدگاهش مستندتر از کسیه که اطلاعاتی نداره.
به خصوص اینکه این دوست جدیدم آدم به شدت شاد و شنگولیه. میگه هفته‌ای یه لکچر تو دانشگاه سینسیناتی دارم. ولی خوشحاله. اخمالو نیست. مهربونه. زندگی رو در نوع خودش به دیدی ساده میگیره. شب راحت میخوابه. میگفت چون نمیتونم امریکا دووم بیارم قراره بعد از اتمام ریسرچم برگردم ایران.
دو دستی نچسبیده که من باید تحت هر شرایطی با روان خودم بازی کنم که بمونم.
البته ایران شرایط خیلی خوبی داره.
07.04.202518:32
با دوست جدیدم که فوق‌تخصص مغزواعصابه صحبت میکردم. دید کنجاوم درمورد انواع سکته باهام حرف زد و اشاره کرد که هر سکته چه تاثیری میتونه داشته باشه. مثلن یه مدلش هست که تو ساعت رو میببینی و میدونی داره چیکار میکنه ولی در بیان واژه‌ی «ساعت» عاجزی. رسیدیم به اینکه هرکدوم از نورون‌های مغز یه سیگنالی میدن و اگه یکی از ریزترین سیگنال‌ها کار نکنه چه بلایی میتونه سر انسان بیاره.
آخر سر ازش پرسیدم این اذیتت نمیکنه انقدر در بند مغز و تصمیمات مغز هستیم و هیچ اختیاری نداریم؟ با یک سکته هویتمون از بین میره؟ همه چیزمون به هیچ چیز وابسته‌ست؟
گفت نه. چون بهش فکر نمیکنم.
به همین سادگی.
آخر سر ازش پرسیدم این اذیتت نمیکنه انقدر در بند مغز و تصمیمات مغز هستیم و هیچ اختیاری نداریم؟ با یک سکته هویتمون از بین میره؟ همه چیزمون به هیچ چیز وابسته‌ست؟
گفت نه. چون بهش فکر نمیکنم.
به همین سادگی.
28.03.202515:52
زیباترین قدردانی برای آتش، پرستیدنشه 🤍
24.03.202518:30
24.03.202516:18
از آگست 2023 ابتدا در پوزیشن Data Scientist/Machine Learning و از آگست 2024 در پوزیشن Natural Language Processing/ Data scientist و در لول اینترن سرکار میرم. برای دوستانی که براشون سواله چطوری خارج از دانشگاه کار میکنی؟ استادم رو که عوض کردم استاد جدیدم فاند نداره ولی ریسرچش خیلی موردعلاقم هست و رقابت درمورد رفتن به گروهش زیاده اما پول نمیده به کسی. و دانشگاه ما رتبه یک همکاری دانشجوها با شرکت ها در صنعت رو در سطح امریکا داره و برای همین من با یک شرکت به صورت Collaboration از طریق دانشگاه کار میکنم.
از وقتی که دانشجوی دکترا شدم و مدام نه شنیدم و از ددلاین‌هایی که واسه خودم داشتم، مجبور شدم بگذرم، فهمیدم که نباید در این مسیر عجول باشم.
همینجور میدونم و باور دارم که فیلدی که کار میکنم بسیار به دید خودم درجه‌یکه و علاقه هست که تا اینجا منو نگه داشته. یکی از معدود دلایلی که موندم و مستراوت نکردم همینه که کاری که میکنم رو نه صد در صد، بلکه حدود هفتاد درصد دوست دارم. و همین برای من کفایت میکنه.
در نهایت درمورد بازار شغلی اگه میپرسین، باید بگم درحال حاضر NLP/LLM یکی از مطرح‌ترین پوزیشن ها در جاب‌مارکته که هنوز اشباع نشده. البته درحال حاضر جاب مارکت خیلی وضعیت خوبی نداره برای هیچ رشته ای. مثل Data Scientists نیست که هرکسی از هر رشته‌ی فرعی بتونه واردش بشه، برای همین اگه مایل به انتخابش هستین، و علاقه دارین، تعلل نکنین.
محتوای سمینار و بقیه ارائه‌هایی که دارم رو میتونم در لینکدین باهاتون به اشتراک بذارم. بهم مسیج بدین(آدرسش رو نمیذارم چون اولین قدم در ریسرچر بودن، پیدا کردن لینکدین یک نفر هم تخصصه.)
اطلاعات بیشتر در لینکدین و وبسایتم هست.
سوالی بود در این مورد زیر همین پست بپرسین.
از وقتی که دانشجوی دکترا شدم و مدام نه شنیدم و از ددلاین‌هایی که واسه خودم داشتم، مجبور شدم بگذرم، فهمیدم که نباید در این مسیر عجول باشم.
همینجور میدونم و باور دارم که فیلدی که کار میکنم بسیار به دید خودم درجه‌یکه و علاقه هست که تا اینجا منو نگه داشته. یکی از معدود دلایلی که موندم و مستراوت نکردم همینه که کاری که میکنم رو نه صد در صد، بلکه حدود هفتاد درصد دوست دارم. و همین برای من کفایت میکنه.
در نهایت درمورد بازار شغلی اگه میپرسین، باید بگم درحال حاضر NLP/LLM یکی از مطرح‌ترین پوزیشن ها در جاب‌مارکته که هنوز اشباع نشده. البته درحال حاضر جاب مارکت خیلی وضعیت خوبی نداره برای هیچ رشته ای. مثل Data Scientists نیست که هرکسی از هر رشته‌ی فرعی بتونه واردش بشه، برای همین اگه مایل به انتخابش هستین، و علاقه دارین، تعلل نکنین.
محتوای سمینار و بقیه ارائه‌هایی که دارم رو میتونم در لینکدین باهاتون به اشتراک بذارم. بهم مسیج بدین(آدرسش رو نمیذارم چون اولین قدم در ریسرچر بودن، پیدا کردن لینکدین یک نفر هم تخصصه.)
اطلاعات بیشتر در لینکدین و وبسایتم هست.
سوالی بود در این مورد زیر همین پست بپرسین.
24.03.202515:47
کمی بحث تخصصی کنیم.
Показано 1 - 24 із 77
Увійдіть, щоб розблокувати більше функціональності.